生物學家眼前出現一個殘酷的悖論：顯微鏡越做越精密，能捕捉到的影像細節越多，但多數時候，這些數據只能靜靜躺在硬碟裡，因為「看得到」不等於「算得完」。一台先進的顯微鏡每小時吐出4TB資料是什麼概念？相當於連續上傳兩百多部高畫質電影，而且不是拍完就結束——每一幀影像都需要校準、重組、去雜訊、量化分析。傳統人工判讀？早就被這股數據洪流沖垮了。
美國勞倫斯柏克萊國家實驗室（Berkeley Lab）與合作機構於本月18日正式發表一款名為MOSAIC的可重組顯微鏡系統，試圖在「成像能力」與「運算資源」之間重新架橋。這不是單一技術的線性升級，而是一套整合思維的跳躍：把十多種成像技術塞進一台緊湊儀器，切換模式只需兩到五秒，而且從細胞內的動態分子，一路看到組織層級的互動——同一套硬體、同一個樣本，給你完全不同的視角。
【編輯觀點】從產業面來看，MOSAIC 最關鍵的突破其實不在「顯微鏡」本身，而在於它把硬體、光學調控與超級運算綁在一起思考。過去生物影像領域最大的痛點，是儀器商只管賣硬體，軟體運算通常是事後補丁。但 MOSAIC 從設計之初就把 Perlmutter 超算納入工作流程，等於宣告：「未來生物影像的競爭，將從光學解析度轉向數據處理管線的效率」。對臺灣的生技研發團隊來說，這是一個警訊也是一個機會——如果我們還在用上一代的「拍完再想辦法處理」思維，很快就會被這波新浪潮甩在後面。
為什麼 MOSAIC 不是「又一台高階顯微鏡」？
首先，它解決了生物影像領域長期以來的結構性矛盾：高解析度與大視野不可兼得。傳統上，想看細微結構就得用高倍率物鏡，視野變小；想看大範圍就犧牲解析度。MOSAIC 透過模組化的光學設計和自適應光學技術，在活體組織中即時修正像差，硬是把訊號雜訊比拉高一個檔次。換句話說，它能在保持影像銳利度的同時，把觀測範圍撐開。
其次，真正讓它與眾不同的，是「重組」這個核心概念。這套系統的硬體基礎，源自 2018 年諾貝爾獎得主艾力克·貝齊格（Eric Betzig）和 Srigokul “Gokul” Upadhyayula 等人提出的自適應光學晶格光片顯微鏡。但當年那套系統有多大？10 呎乘 4 呎的光學桌，幾乎占掉半個實驗室。MOSAIC 團隊做了一件很務實的事：用同一組雷射、鏡片和相機，透過自訂光學切換系統，讓一台儀器能當十台用。體積縮小了，功能卻擴張了——這不是炫技，是讓更多實驗室負擔得起、操作得起的務實策略。
根據研究團隊提供的數據，MOSAIC 已在不同地點成功建置超過十次，並公開分享超過 50 份研究授權與完整的建置文件。這種開源態度，在高端儀器領域並不多見。一般來說，這類精密設備的設計細節常被視為商業機密，但柏克萊團隊選擇把門打開——這背後透露的訊息是：他們認為真正的護城河不在硬體，在於後續的運算整合能力。
數據海嘯來襲：4TB／小時的真實挑戰
每小時 4TB 的資料產出量，不是為了嚇人而喊出的數字。這代表 MOSAIC 在五種以上的成像模式之間快速切換時，每一種模式都會產出大量高解析度 Z 軸序列影像。這些檔案如果沒有即時處理，實驗室很快就會陷入「儲存空間恐慌」——不是買更多硬碟就能解決的問題，而是資料根本來不及被結構化、標註和初步分析。
柏克萊實驗室的解法，是同步導入自家開發的運算工具，並串接國家能源研究科學運算中心（NERSC）的Perlmutter 超級電腦。這套架構讓 MOSAIC 不只是「拍攝設備」，更像是一條從影像擷取到初步分析的自動化產線。研究人員不必再把硬碟拔起來、走到另一台工作站手動傳檔、等它跑一整夜——運算幾乎是即時發生的。
有趣的是，這種「顯微鏡＋超級電腦」的組合，正在改寫實驗室的工作流程。過去博士後研究員的日常，很大一部分時間花在「看圖說故事」：盯著幾千張影像，手動圈選細胞、測量螢光強度、比對不同時間點的變化。現在，MOSAIC 結合運算工具後，機器可以預先篩選出異常或有趣的區域，把人類的注意力集中在真正需要判讀的關鍵幀。這不是取代研究人員，是把他們的時間從機械式勞動中釋放出來。
根據柏克萊實驗室的新聞資料，MOSAIC 每小時最多可產生 4TB 資料，遠超傳統處理流程與人工判讀能力。這句話背後的含義是：未來的顯微鏡學家，必須同時具備光學物理和數據科學的跨領域素養。如果大學端的生物相關科系還不把程式設計和基礎資料結構納入必修，培養出來的學生可能連操作新一代儀器都有障礙。
從實驗室到臨床：MOSAIC 的應用版圖有多大？
目前 MOSAIC 已用於觀測正在分裂的人類視網膜色素上皮細胞（hTERT-RPE1）——這是細胞生物學中相當經典的模型，因為它同時涉及細胞骨架重組、胞器遷移和分裂過程中的精確調控。團隊透過五種不同的成像模式，在同一個細胞上取得互補的視角：有的模式擅長看膜結構，有的聚焦於微管動態，有的則捕捉離子濃度變化。
這種多模態整合的價值，在於能避免「盲人摸象」式的片面解讀。一個生物過程往往是多個分子事件交織而成，單一成像模式容易給出偏誤的結論。MOSAIC 讓研究人員能在相同條件下，直接比較不同成像方法的表現——這對建立可靠的生物標記或藥物反應評估，具有直接幫助。
更遠的想像，是這套技術可能往臨床病理切片或活體動物觀察延伸。雖然目前 MOSAIC 仍定位在基礎研究工具，但它的模組化設計和開源文件，降低了其他實驗室複製和改進的門檻。也許再過三到五年，我們會看到醫院病理科用類似概念的設備，即時分析腫瘤切片的邊緣浸潤狀況——到那時候，診斷報告不再是「等三天後的病理結果」，而是手術檯上就能獲得的即時影像判讀。
把競爭門檻從「買得起」變成「會用運算」
說到底，MOSAIC 的出現，其實在重新定義「先進顯微鏡」的門檻是什麼。過去這個領域的競賽，主要圍繞在物鏡的數值孔徑、螢光染劑的亮度、相機的量子效率——這些都跟錢有關。但 MOSAIC 示範了一條不同的路：透過開源設計和運算整合，讓更多研究團隊有機會進入高階影像的領域，真正的勝負關鍵變成「誰能把運算工具用得更好」。
對臺灣的學術和研究機構來說，這是一個可以思考轉向的節點。我們在半導體和光學元件製造上有深厚底子，但在生物影像的運算中介層（middleware）一直著墨不深。如果我們只滿足於「組裝 MOSAIC 複製機」，而不去深耕影像數據的壓縮、校正、分割和特徵提取演算法，那最終還是只能跟在別人的架構後面做應用——這不是長久之計。
話說回來，MOSAIC 團隊願意把超過 50 份授權文件和建置細節公開，本身就是一個強烈訊號：他們不怕別人複製硬體，因為真正的護城河在於持續累積的運算優化和數據處理經驗。這種思維，值得臺灣所有從事儀器開發和生醫影像研究的人，好好想一遍。
最後，如果你正在規畫實驗室的下一代顯微鏡設備，不妨先問自己三個問題：第一，你買的儀器產出的數據量，你的資訊基礎建設扛得住嗎？第二，你的團隊裡有沒有人能寫程式處理這些影像管線？第三，你有沒有把運算成本算進總體設備預算裡？這三個問題的答案，可能比問「這台顯微鏡解析度多高」還要關鍵。
本文改寫整理自公開新聞來源，原始報導由科技新報發布。
常見問題 FAQ
MOSAIC 顯微鏡跟傳統顯微鏡最大的不同是什麼？
最大差異在於「重組」和「運算整合」。傳統顯微鏡通常只能執行單一或少量成像模式，MOSAIC 則能把十多種技術裝進一台儀器，2到5秒內切換模式，而且從設計階段就把超級電腦運算納入數據處理流程，解決傳統設備「拍得出來但算不出來」的瓶頸。
每小時 4TB 的數據量對一般實驗室來說會不會太沉重？
確實很沉重，但 MOSAIC 的設計已同步導入 Perlmutter 超級電腦和柏克萊實驗室開發的運算工具，目標是做到即時或近即時的資料處理。一般實驗室若無超算資源，可考慮採用雲端運算或高效能工作站分階段處理，重點是「事前規畫數據管線」，而非事後應付儲存爆滿。
MOSAIC 的開源文件和研究授權對學研單位有什麼實際幫助？
團隊已公開超過50份研究授權與完整建置文件，代表實驗室不須從零開發，可直接參考既有設計複製或修改。這大幅降低進入高階多模態影像的技術門檻，也讓資源有限的團隊有機會複製這套系統，把經費和人力集中在應用研究和數據分析上。
自適應光學技術在 MOSAIC 中扮演什麼角色？
自適應光學負責修正活體組織造成的影像模糊，這在觀測厚樣本或活體生物時特別關鍵。它能即時補償光線穿過不同折射率組織時產生的像差，讓影像訊號更清晰、解析度更穩定，是 MOSAIC 能在跨尺度觀測中維持影像品質的重要支柱。
MOSAIC 適合用在臨床醫學或病理診斷嗎？
目前仍定位在基礎研究工具，但它的模組化設計和即時運算潛力，未來有機會延伸至臨床應用，例如術中冰凍切片的快速影像分析或腫瘤邊緣評估。不過實際導入臨床仍需通過法規驗證和臨床試驗，短期內建議以研究用途為優先。
※ 此篇文章由 AI 改寫或生成，內容僅供參考，可能存在錯誤或不準確之處。
